侯召國, 王華偉, 周 良, 付 強

(南京航空航天大學民航學院, 江蘇 南京 211106)

0 引 言

旋轉機械是工業(yè)應用中的關鍵部件,已廣泛應用于電機、直升機、航空發(fā)動機、水輪機和其他類型的復雜機械設備[1]。大型旋轉機械設備工作環(huán)境極為惡劣,具有負載重、轉速快、運行時間長等特點,容易出現(xiàn)各種故障,最終導致不必要的停機時間、經(jīng)濟損失甚至人員傷亡[1]。因此,及時準確的故障診斷對于旋轉機械系統(tǒng)設計、智能運維和安全可靠運行至關重要。傳統(tǒng)上,旋轉機械故障診斷主要包括3個階段:數(shù)據(jù)采集、特征提取與選擇、故障分類。當前旋轉機械故障特征提取主要面臨三大挑戰(zhàn):工況復雜且多變;振動信號具有極強的非線性;采集的數(shù)據(jù)樣本存在不平衡性,體現(xiàn)在正常與故障樣本的數(shù)量級不平衡。目前,傳統(tǒng)的特征提取方法主要有小波變換(wavelet transform,WT)、經(jīng)驗模態(tài)分解(empirical mode decomposition,EMD)和集成經(jīng)驗模態(tài)分解(ensemble empirical mode decomposition,EEMD)等[2]。傳統(tǒng)的特征提取與故障分類方法對于人工特征工程和專家知識的依賴較為嚴重。特別是,隨著工業(yè)大數(shù)據(jù)時代的到來和傳感器技術的發(fā)展,傳統(tǒng)的特征提取與故障分類方法已經(jīng)無法滿足海量數(shù)據(jù)的診斷需求。在此背景下,智能故障診斷開始發(fā)展與推廣,智能故障診斷是指將人工神經(jīng)網(wǎng)絡、支持向量機和深度神經(jīng)網(wǎng)絡等機器學習理論應用于機器故障診斷[3]。然而,基于人工神經(jīng)網(wǎng)絡、支持向量機等傳統(tǒng)的機器學習智能診斷方法,由于網(wǎng)絡結構較淺,限制了其對復雜故障特征的提取能力。近年來,深度自動編碼器、深度卷積神經(jīng)網(wǎng)絡等深度神經(jīng)網(wǎng)絡被廣泛用于構建端到端智能診斷模型,減少了對人工勞動和專家知識的依賴,極大地推動了智能故障診斷的發(fā)展[3]。由于能夠直接從原始數(shù)據(jù)或低層次特征數(shù)據(jù)中挖掘代表性信息,以及強大的多模式分解能力,基于深度學習的智能診斷引起了越來越多的國內外學者的關注[4]。

Shao等[5]提出了一種基于壓縮感知的改進卷積深度信念網(wǎng)絡方法,大大提升了模型的特征提取能力和泛化性能。Li等[6]提出了一種基于殘差連接自適應一維可分離卷積的混合工況齒輪點蝕故障診斷方法,并驗證了其良好的診斷性能。Zhang等[7]通過突出小波系數(shù)的本質頻帶和卷積通道的故障特征,提出了一種基于混合注意力改進殘差網(wǎng)絡的風電齒輪箱故障診斷方法,并在傳動系統(tǒng)診斷模擬器仿真數(shù)據(jù)集和風電場實測數(shù)據(jù)上驗證了該方法的有效性。Hoang等[8]提出了一種基于深層卷積神經(jīng)網(wǎng)絡的軸承故障診斷方法,并驗證了其較高的診斷精度和強大的抗噪能力。Yu等[9]提出基于一維殘差卷積自動編碼器的齒輪箱故障診斷特征學習方法,在行星齒輪箱數(shù)據(jù)集上表現(xiàn)出良好的信號去噪和特征提取性能。Mao等[10]提出了一種融合多種故障類型判別信息的深度自動編碼器方法,并用于軸承故障診斷。Lu等[11]提出了一種基于分層卷積神經(jīng)網(wǎng)絡健康狀態(tài)分類的滾動軸承智能故障診斷方法,并驗證了其在滾動軸承故障分類中的有效性。Jia等[12]提出了一種新的深度神經(jīng)網(wǎng)絡智能診斷方法,并在軸承和行星齒輪箱數(shù)據(jù)集上驗證了其良好的性能。針對現(xiàn)代機械設備復雜多樣、信號源多、類型差異大、耦合性強、動力學建模困難、非線性強以及不確定性干擾強等問題,仍需要故障診斷理論進一步深入研究[13]。當前的智能診斷模型在融入工業(yè)實際需求與模型動態(tài)優(yōu)化更新方面還存在很大不足,實現(xiàn)智能故障診斷真正落地還有很長的路要走。因此,隨著機械設備向著更加復雜化和智能化的方向發(fā)展,在更好地滿足工業(yè)實際需求與融入工業(yè)實際應用方面,必將為當前的智能診斷模型的性能改進提出更加嚴峻的挑戰(zhàn)。面向未來工業(yè)實際,亟需更加精準且高效的智能故障診斷方法。

深度殘差網(wǎng)絡(deep residual network, DRN)是為了解決卷積神經(jīng)網(wǎng)絡的梯度消失現(xiàn)象而提出的一種深層神經(jīng)網(wǎng)絡,不僅保留了卷積神經(jīng)網(wǎng)絡強大的故障特征提取能力,而且有效緩解了網(wǎng)絡退化現(xiàn)象。為了進一步改善深度殘差網(wǎng)絡的特征提取能力和收斂速度,本文提出了一種改進深度殘差網(wǎng)絡(improved DRN, IDRN)。在深度殘差網(wǎng)絡中引入長短時記憶(long short-term memory, LSTM)網(wǎng)絡可以最大限度地考慮到故障的時序信息,在殘差塊中加入Dropout層可以有效緩解過擬合并提升診斷效率,通過改進深度殘差網(wǎng)絡可以實現(xiàn)端到端的故障診斷,通過與當前廣泛使用的幾種網(wǎng)絡模型的對比實驗,驗證了該方法的有效性和可行性。

1 深度殘差網(wǎng)絡原理

針對卷積神經(jīng)網(wǎng)絡隨著層的堆疊容易出現(xiàn)梯度消失的問題,He等[14]首次提出了深度殘差網(wǎng)絡,并將其用于圖像識別任務,表現(xiàn)出了較高的分類精度。深度殘差網(wǎng)絡由多個帶有跳躍連接線的殘差塊構成,殘差思想的引入大大緩解了深層神經(jīng)網(wǎng)絡的梯度消失問題。其中殘差塊的結構如圖1所示。

殘差塊包含兩種映射:一種是恒等映射;另一種是殘差映射。假設要求的最優(yōu)解為H(X)=X,殘差映射是指映射H(X)和X的殘差值,用F(X)表示,即F(X)=H(X)-X。當F(X)無限接近于0時,網(wǎng)絡達到最佳狀態(tài),繼續(xù)加深網(wǎng)絡深度,網(wǎng)絡也將一直處于最優(yōu)狀態(tài)[15]。當殘差塊的輸入為Xn時,可得計算后的輸出[15]為

Xn+1=f(Xn+F(Xn,Wn))

(1)

式中:F(·)為殘差映射;Wn為相應的權重參數(shù);f(·)為激活函數(shù)。由圖1可知,不同殘差塊之間可能存在維度不匹配的情況,此時只需要對恒等映射Xn做一個線性變換Ws[15]即可:

Xn+1=f(WsXn+F(Xn,Wn))

(2)

式中:Ws為權重參數(shù)。

殘差結構具有兩個結構優(yōu)勢:第一,網(wǎng)絡前向傳播時淺層的特征可以在深層得以重用;第二,網(wǎng)絡反向傳播時深層的梯度可以直接傳回淺層。因此,帶有快捷連接的殘差塊可以在網(wǎng)絡的輸入與輸出之間有較大的重構誤差時,直接通過快捷連接將誤差信息反饋給前面的網(wǎng)絡層,這種結構設計不僅提升了模型訓練速度,而且有效緩解了網(wǎng)絡退化問題。

2 基于IDRN的故障診斷模型

2.1 Dropout層工作原理

Dropout是Hinton等[16]于2012年提出的處理過擬合問題的方法,常用于深度網(wǎng)絡的優(yōu)化中,其中Dropout前的深度前饋網(wǎng)絡至Dropout后的深度前饋網(wǎng)絡的原理過程如圖2所示,其中虛線圓表示被刪除的神經(jīng)元,與其連接的邊也被刪除了。

Dropout層的工作過程如下:首先,隨機“丟棄”網(wǎng)絡中的一部分隱藏層神經(jīng)元,構造新的隱藏層,同時保持輸入輸出神經(jīng)元不變,并將小批量訓練輸入樣本通過新構造的隱藏層進行前向傳播;然后,根據(jù)返回的損失函數(shù)結果進行反向傳播。通過優(yōu)化算法更新未隱藏的神經(jīng)元參數(shù),最后恢復“丟棄”的神經(jīng)元,并重復Dropout過程直至訓練完成[17]。

經(jīng)過添加Dropout層,網(wǎng)絡的計算公式可以表示為

(3)

2.2 改進殘差塊

為了避免網(wǎng)絡在層數(shù)較深時,出現(xiàn)過擬合的現(xiàn)象,對殘差塊的結構進行了改進。其中標準的殘差塊結構如圖1所示,改進的殘差塊結構如圖3所示。

圖1中,殘差塊僅僅包含卷積層和批量標準化層,在網(wǎng)絡堆疊過多的層時很容易出現(xiàn)過擬合現(xiàn)象。為了緩解殘差塊的過擬合現(xiàn)象[18],在殘差塊中引入了丟棄層,其結構如圖3所示。丟棄層可以舍棄網(wǎng)絡的一些隨機單元和冗余單元,使網(wǎng)絡在提取主要特征信息的同時簡化計算量,而且也有效緩解了網(wǎng)絡的退化現(xiàn)象。因此,丟棄層的這一特性特別適用于處理冗余信息較多的旋轉機械振動信號。

2.3 改進殘差塊與LSTM網(wǎng)絡的融合

2.3.1 CNN基本原理

卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)具有強大的特征提取能力,它包含卷積層、激活層、池化層、批量標準化層、全連接層和分類層,其中分類層由多層感知機組成[19]。

卷積層進行深層特征提取,其中卷積過程[19]可以描述如下:

(4)

池化層通常連接在卷積層之后,它利用下采樣操作減小了特征和網(wǎng)絡參數(shù)的空間大小,其中最大池化操作[19]可以描述如下:

(5)

2.3.2 LSTM基本原理

LSTM是循環(huán)神經(jīng)網(wǎng)絡(reccurrent neural networks, RNN)的變體,其經(jīng)過結構的改進,有效緩解了RNN的梯度問題。LSTM的結構主要包括遺忘門、輸入門和輸出門[20]。

LSTM的遺忘門決定信息的通過量,其計算過程[20]如下:

ft=σ(ωL1·[ht-1,xt]+bL1)

(6)

式中:σ是sigmoid函數(shù);ωL1和bL1分別是權重和偏置;ht-1是前一個單元的輸出;xt是當前輸入。

LSTM的輸入門決定了新信息能否被細胞單元記憶,其計算過程[20]如下:

it=σ(ωL2·[ht-1,xt]+bL2)

(7)

(8)

(9)

LSTM單元的最終輸出ht由輸出門的輸出οt與記憶單元輸出Ct決定,具體計算[20]如下:

οt=σ(ωL4[ht-1,xt]+bL4)

(10)

ht=οt·tanh (Ct)

(11)

式中:ωL4、bL4分別是輸出門的權重和偏置。

2.3.3 IDRN模型

考慮到不同模型具有各自的優(yōu)勢,模型融合可以優(yōu)勢互補、取長補短。CNN具有強大的特征提取能力,可以提取更深層次的故障特征,能夠捕捉故障發(fā)生的屬性信息[21]。LSTM具備長短時記憶的能力,能夠捕捉故障發(fā)生的時序信息[22]。因此,為了最大程度地保留振動信號的時序特征[22],本文設計了融合改進殘差塊和LSTM層的IDRN作為旋轉機械故障診斷模型,不僅可以直接處理原始機械信號,而且在提取故障屬性信息的同時也可以將故障發(fā)生的時序信息融入到模型之中。IDRN結構如圖4所示,包括兩個初始卷積層、一個池化層、一個LSTM網(wǎng)絡層和3個改進殘差塊,然后經(jīng)過卷積層、全局平均池化層、展開層、全連接層和分類層進行故障分類。以初始卷積層為例描述參數(shù),(Conv1D,32,3)表示模型是一維卷積神經(jīng)網(wǎng)絡,濾波器尺寸為32,卷積核大小為3;(MaxPooling,3)表示最大池化操作,池化塊尺寸為3;(LSTM,32)表示模型是LSTM網(wǎng)絡,神經(jīng)元個數(shù)為32;(Dropout,0.25)表示丟棄層,丟棄率為0.25;(Dense,64)表示全連接層,神經(jīng)元個數(shù)為64;Flatten表示展開層;ReLU表示整流后的線性單元激活函數(shù);Softmax表示分類層激活函數(shù)。LSTM層被設計用來進行時序特征提取,多層殘差塊被設計用來進行深層故障特征提取,全局平均池化層被設計為處理所學習的特征,其將每個特征圖視為一個區(qū)域來執(zhí)行池化操作,并且其輸出大小等于特征圖的數(shù)量[23]。分類層中的神經(jīng)元個數(shù)與故障類別個數(shù)相同。

2.4 IDRN故障診斷流程

針對旋轉機械工況復雜多變、振動信號具有極強的非線性和有標簽樣本不足而導致的故障特征提取困難等問題,本文提出了一種用于旋轉機械故障診斷的IDRN。基于IDRN的旋轉機械故障診斷流程如圖5所示。通過對滾動軸承和齒輪箱振動信號進行分析,發(fā)現(xiàn)其中存在大量的噪聲和冗余信息。因此,在數(shù)據(jù)處理階段,首先需要進行數(shù)據(jù)采樣和數(shù)據(jù)標準化處理,然后劃分訓練集、驗證集和測試集的比例,最后對數(shù)據(jù)標簽進行one-hot編碼處理。在模型訓練階段,首先初始化網(wǎng)絡參數(shù),然后將預處理之后的訓練集數(shù)據(jù)輸入到融合LSTM層和Dropout層的IDRN進行訓練,并利用驗證集進行參數(shù)調整,訓練完成之后可以得到故障診斷模型。在故障診斷階段,將測試數(shù)據(jù)輸入到故障診斷模型之中,輸出故障診斷結果,完成故障診斷流程。

3 實驗驗證與結果分析

3.1 實驗數(shù)據(jù)與參數(shù)設置

滾動軸承與齒輪都是旋轉機械的關鍵部件,其運行狀態(tài)直接關系到旋轉機械的安全可靠運行。因此,為了測試該故障診斷方法的性能并驗證其有效性,在滾動軸承單工況、變工況和齒輪箱三個數(shù)據(jù)集上進行了實驗。此外,還進行了對比實驗,以比較現(xiàn)有方法的分類精度。

3.1.1 滾動軸承實驗數(shù)據(jù)描述

滾動軸承實驗利用文獻[24]中的凱斯西儲大學軸承數(shù)據(jù)進行驗證。該數(shù)據(jù)采樣頻率設置為12 kHz和48 kHz,采用電火花技術來加工軸承故障。軸承故障分為內圈故障、外圈故障和滾珠故障。每種故障類型包括7 mils、14 mils和21 mils 3種故障直徑。電機負荷包括0 HP、1 HP、2 HP和3 HP 4種狀態(tài);電機轉速包括1 797 rpm、1 772 rpm、1 750 rpm和1 730 rpm 4種狀態(tài)。

3.1.2 齒輪實驗數(shù)據(jù)描述

齒輪實驗利用文獻[25]中東南大學齒輪箱數(shù)據(jù)集進行驗證,該數(shù)據(jù)是從東南大學齒輪箱實驗平臺驅動系統(tǒng)動力學模擬器中收集的。在轉速系統(tǒng)負載設置為20 Hz-0 V或30 Hz-2 V的情況下,該平臺研究了兩種不同工作條件下的多種故障模式。

3.1.3 實驗數(shù)據(jù)設置

滾動軸承單工況實驗數(shù)據(jù)組成如表1所示,其中故障標號N為正常樣本,F1～F5為故障位置不同的5種故障樣本。單工況的軸承故障診斷實驗中故障直徑、電機負荷和電機轉速都是保持同一條件,不能很好地展示模型在變工況下的診斷性能,為了驗證模型的泛化能力,又進一步設置了變工況下軸承故障診斷實驗,針對故障直徑、電機負荷和電機轉速都不同的故障類型進行識別。其中變工況軸承數(shù)據(jù)包括1種正常樣本N′和3種不同類型的故障樣本F1′～F3′,其組成如表2所示。

表1 單工況軸承故障數(shù)據(jù)組成

表2 變工況軸承故障數(shù)據(jù)組成

為了驗證模型對多種旋轉機械的故障診斷性能,進而在工業(yè)應用領域進一步推廣,又設置了齒輪箱故障診斷實驗。齒輪故障診斷中選用同一電機負荷下的5種運行狀態(tài)進行實驗,其中H代表健康狀態(tài),G1～G4代表4種不同類型的故障狀態(tài),其組成如表3所示。

表3 齒輪故障數(shù)據(jù)組成

3.1.4 實驗參數(shù)設置

實驗設置訓練批次大小為128、周期大小為20、樣本長度為2 048,其中每種故障類型采集1 000個樣本,訓練集、驗證集和測試集的比率為0.7、0.2和0.1,如表1、表2和表3所示。以軸承單工況故障診斷為例,IDRN的模型參數(shù)如表4所示,以改進殘差塊1為例,(32,3)表示濾波器尺寸為32、卷積核大小為3。實驗中,學習率設置為0.001,損失函數(shù)采用交叉熵損失函數(shù),優(yōu)化器采用Adam,分類層激活函數(shù)采用Softmax分類函數(shù)。

表4 IDRN模型參數(shù)

3.2 實驗結果分析

3.2.1 實驗模型評價

為了顯示模型在測試集中對各個故障類型的詳細識別效果[26],引入了多分類混淆矩陣對軸承單工況和變工況以及齒輪箱故障診斷的實驗結果進行更加精準全面的分析。多分類混淆矩陣詳細展示了所有故障類型的分類結果,既包含正確分類信息,也包含錯誤分類信息?；煜仃嚨目v軸代表分類的實際標簽,橫軸代表預測標簽。因此,混淆矩陣主對角線位置上的值代表每種故障類型正確分類的比例,而非主對角線位置上的值代表一種故障類型被誤分類為其他故障類型的比例。顏色條顯示從0到1的值和顏色之間的相關性。其中軸承單工況和變工況的以及齒輪箱的診斷模型測試結果混淆矩陣分別如圖6、圖7和圖8所示。

由圖6～圖8可知,模型對軸承單工況和變工況的每一類故障樣本都沒有出現(xiàn)誤分類的情況,但在齒輪箱故障診斷中大部分樣本標注正確[27],除了故障類型G4準確率為66%之外,其余故障類型分類準確率都在85%以上,說明了本文所提出模型在軸承故障診斷中表現(xiàn)出了比齒輪箱故障診斷更高的精度。這可能是由于齒輪箱故障特征微弱或不同故障類型之間的故障特征較為相似。

3.2.2 實驗結果可視化

為了驗證該方法自適應挖掘故障特征的能力,引入了流形學習中的t分布隨機近鄰嵌入(t-distributed stochastic neighbor embedding, t-SNE)算法對模型隱藏層提取的高維特征進行降維可視化分析[28]。其中軸承單工況和變工況以及齒輪箱的隱藏層輸出特征t-SNE可視化結果分別如圖9～圖11所示。由圖9～圖11可知,該模型具有強大的特征提取能力,在軸承故障診斷中,類間的樣本被完美地分離,類內的樣本被完美地聚類[29],在齒輪箱故障診斷中,除了G4、G2和H 3種故障類型之間略微有些重疊之外,其余相同故障類型之間可以很好地聚類,不同故障類型之間可以很好地分離。結果表明,該方法能夠自適應地挖掘旋轉機械在不同工況下的故障特征。

3.2.3 對比實驗結果分析

為了更加全面地驗證本文所提出模型的性能,分別與反向傳播神經(jīng)網(wǎng)絡(back propagation neural network, BPNN)、多層感知機(multilayer perception, MLP)、堆疊自編碼器(stacked auto-encoder, SAE)、CNN、RNN、DRN等當前廣泛使用的故障診斷模型進行了對比實驗。以單工況實驗為例,各對比實驗模型的參數(shù)設置如表5所示。各對比實驗模型診斷精度如表6所示,表6中IDRN(本文所提方法)是本文所設計的IDRN模型,針對3個故障診斷實驗的測試集及測試集平均中精度最高的值都進行了加粗表示,各診斷模型在3個實驗的測試將重復5次,5次測試樣本的平均診斷精度作為各診斷模型在3個實驗的測試集診斷精度,為了使對比實驗更有說服力,同時避免偶然誤差,再取3個實驗測試集的平均診斷精度[30]作為各模型最終診斷結果對算法性能進行評價。由表6可知,IDRN模型在軸承單工況和變工況以及齒輪箱下的測試集故障診斷精度及測試集平均故障診斷精度都達到了最高,從而驗證了本文所提方法的有效性。

表5 對比模型訓練參數(shù)

表6 模型對比實驗精度

4 結 論

本文針對旋轉機械工況復雜多變、振動信號具有極強的非線性以及有標簽樣本不足而導致的故障特征提取困難等問題,提出了一種用于旋轉機械故障診斷的IDRN,主要得到了以下結論。

(1) 將該模型在軸承與齒輪箱數(shù)據(jù)集上進行了驗證,在軸承單工況、變工況及齒輪箱3個實驗中的測試集平均診斷精度達到了96.83%,高于當前廣泛使用的其他診斷模型。

(2) IDRN在旋轉機械智能故障診斷實驗中,展示了強大的自適應挖掘故障特征的能力和穩(wěn)定的識別性能。

(3) LSTM具有長短時記憶的能力,能夠捕捉故障發(fā)生的時序信息,對于時序型振動信號,可以獲得更加豐富的特征表示。

(4) 殘差塊中引入Dropout層可以丟棄網(wǎng)絡中的一些冗余信息,防止網(wǎng)絡過擬合,提升診斷效率。

為了提升模型的診斷性能,并進一步推廣到工業(yè)實際應用中,應該充分考慮各模型的優(yōu)勢,實現(xiàn)多種模型之間的相互融合與協(xié)調,充分發(fā)揮多模型融合的優(yōu)勢。